基于双光谱和注意力机制的行星轮列车故障的增强诊断深度卷积生成对抗网络
Dalian Yang1, Yang Zhang1, Renjie Li1
1Hunan Provincial Key Laboratory of Health Maintenance for Mechanical Equipment, Hunan University of Science and Technology, Xiangtan, 411201, China.
Scientific reports
|July 2, 2025
概括
本研究介绍了一种新的直升机行星轮系统故障诊断方法,使用双光谱和注意力机制深度卷积生成对抗网络 (BAMDCGAN). 通过生成增强的故障样本,BAMDCGAN方法显著提高了诊断准确性,达到超过97.8%的准确性.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 直升机行星轮列车是需要强大的故障诊断的关键部件.
- 有限的故障样本和具有挑战性的特征提取阻碍了准确的诊断.
- 生成对抗网络 (GAN) 显示出在故障诊断中数据增强的前景.
研究的目的:
- 为直升机行星轮列车提出先进的故障诊断方法.
- 为了解决缺陷样本不足和复杂特征提取的局限性.
- 为了提高诊断准确度,使用一种新的双光谱和注意力机制深度卷积GAN (BAMDCGAN) 框架.
主要方法:
- 开发了BAMDCGAN框架,将双光谱特征与注意力机制深度卷积GAN (AMDCGAN) 集成在一起.
- 利用实验行星轮列车数据,在各种负载和故障条件下构建双光谱特征样本.
- 在用于故障诊断的增强数据集上训练有素的卷积神经网络 (CNN) 和视觉转换器 (VIT).
主要成果:
- 基于BAMDCGAN的故障诊断方法实现了最高的诊断准确度,在不同的负载条件下超过97.8%.
- 与使用非增强样本相比,诊断准确度提高了2.1%.
- 对比实验证实了使用AMDCGAN-CNN/VIT的信封光谱,时间域,STFT和HHT的方法的优越性能.
结论:
- 拟议的BAMDCGAN方法有效地提高了直升机行星轮列车的故障诊断准确度.
- 双光谱特征与基于注意力的GAN相结合,为生成高质量的故障样本提供了强大的方法.
- 该方法为关键航空航天应用中的条件监测和预测性维护提供了显著的改进.
